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

Sintesi Tecnica: Modellazione Ibrida basata su Dati e sui Processi per la Previsione della Portata dei Fiumi sotto il Cambiamento Climatico nel Bacino del Fiume Upper Genale, Etiopia

Definizione del Problema
La previsione accurata della portata dei fiumi è fondamentale per la gestione sostenibile delle risorse idriche, la riduzione del rischio di inondazioni e la pianificazione dell'irrigazione, particolarmente nell'Africa subsahariana, dove la variabilità climatica interagisce con infrastrutture limitate e un'elevata dipendenza dall'agricoltura pluviale. Il bacino del fiume Upper Genale (UGRB), nel sud-est dell'Etiopia, è strategicamente vitale per l'irrigazione e l'idroelettrico, ma rimane altamente sensibile alla variabilità climatica. Sebbene i modelli basati sulla fisica come SWAT+ rappresentino efficacemente i processi del bacino idrografico, essi spesso faticano a gestire le interazioni idrologiche altamente non lineari e gli eventi estremi in condizioni climatiche non stazionarie. Al contrario, i modelli di apprendimento automatico (ML) puramente basati sui dati mancano di interpretabilità fisica e possono fallire quando le condizioni climatiche future divergono significativamente dai dati storici di addestramento. Questo studio affronta la necessità di un framework di previsione robusto che superi tali limitazioni individuali per supportare una gestione idrica resiliente al clima nell'UGRB.

Metodologia
Lo studio ha sviluppato un framework ibrido di previsione idrologica che integra il modello basato sui processi QSWAT+ con algoritmi avanzati di machine learning e proiezioni climatiche CMIP6.

• Area di Studio e Dati: La ricerca si è concentrata sul sottobacino dell'Upper Genale (circa 9.127 km²). Il dataset includeva dati giornalieri di precipitazione e temperatura (1985–2014) da cinque stazioni meteorologiche (integrati dai dati satellitari CHIRPS/CHIRTS) e osservazioni giornaliere della portata del fiume (1988–2011) dalla stazione di monitoraggio di Chenemsa. I dati topografici, di uso del suolo e del suolo sono stati derivati da SRTM, Copernicus e dalla Harmonized World Soil Database.
• Proiezioni Climatiche: Ventidue Modelli Climatici Globali (GCM) CMIP6 sono stati valutati rispetto ai dati osservativi utilizzando un Indice di Classificazione Comprensivo. CanESM5 è stato selezionato per la temperatura, mentre è stato utilizzato un ensemble di sei modelli per la precipitazione. Le proiezioni sono state analizzate sotto gli scenari SSP2-4.5 e SSP5-8.5 per i periodi a breve termine (2015–2044) e a medio termine (2045–2074), utilizzando la correzione del bias e il downscaling statistico.
• Modellazione Idrologica: QSWAT+ è stato utilizzato per simulare i processi del bacino, dividendo il bacino in 13 sottobacini e 731 Unità di Risposta Idrologica (HRU). Il modello è stato sottoposto a un'analisi di sensibilità globale (metodo Sobol) e calibrato utilizzando l'algoritmo CALSI per il periodo 1988–2002, con validazione dal 2003 al 2011.
• Framework Ibrido: Quattro algoritmi di ML — Random Forest (RF), XGBoost, LightGBM e Long Short-Term Memory (LSTM) — sono stati implementati. Questi modelli utilizzavano osservazioni meteorologiche, caratteristiche temporali ingegnerizzate e output di QSWAT+ come predittori. Un framework di stacking ensemble (utilizzando Ridge Regression come meta-learner) e l'Average Bayesian Model Averaging (BMA) sono stati applicati per integrare le simulazioni QSWAT+ con le previsioni ML, con l'obiettivo di ridurre l'incertezza e migliorare la robustezza.
• Analisi: I trend sono stati valutati utilizzando il test di Mann–Kendall e lo stimatore della pendenza di Sen. Le prestazioni del modello sono state valutate utilizzando $R^2$, l'efficienza di Nash–Sutcliffe (NSE), l'RMSE e il Percent Bias (PBIAS).

Risultati Chiave

• Prestazioni di QSWAT+: Il modello QSWat+ standalone ha ottenuto una calibrazione soddisfacente ($NSE = 0,74$, $R^2 = 0,77$) e una performance di validazione ($NSE = 0,71$, $R^2 = 0,85$), indicando una rappresentazione affidabile dei processi del bacino, sebbene abbia mostrato una leggera sottostima dei picchi di portata nel periodo di validazione.
• Superiorità del Modello Ibrido: L'integrazione del ML ha migliorato significativamente l'accuratezza predittiva. I modelli ML standalone (particolarmente XGBoost) hanno superato QSWAT+, raggiungendo valori di $NSE$e$R^2$ vicini a 0,99. Il modello di stacking ensemble ibrido ha ottenuto la prestazione più elevata con un $NSE$ e un $R^2$ di 0,98, catturando efficacemente le relazioni non lineari residue che il modello fisico aveva mancato. L'approccio ibrido ha anche ridotto il bias sistematico, con valori di PBIAS vicini allo zero.
• Proiezioni del Cambiamento Climatico:
  • Temperatura: Si prevede un riscaldamento costante sotto entrambi gli scenari SSP, con le temperature minime che aumentano più velocemente di quelle massime. Il periodo a medio termine sotto lo scenario SSP5-8.5 mostra il riscaldamento più pronunciato.
  • Precipitazioni: Le proiezioni mostrano una notevole variabilità. La media dell'ensemble indica riduzioni moderate delle piogge sotto lo scenario SSP2-4.5 e aumenti sotto lo scenario SSP5-8.5, particolarmente nel medio termine.
  • Risposta Idrologica: Sotto lo scenario SSP2-4.5, le riduzioni nelle precipitazioni hanno portato a diminuzioni nel deflusso, nella resa idrica e nella ricarica delle acque sotterranee. Al contrario, sotto lo scenario SSP5-8.5, l'aumento delle precipitazioni ha guidato un maggiore deflusso e resa idrica nel medio termine, sebbene l'aumento delle temperature abbia incrementato l'evapotraspirazione in tutti gli scenari, limitando i guadagni proporzionali nella disponibilità idrica.
• Trend della Portata: Le proiezioni della portata indicano risposte contrastanti. Le simulazioni a breve termine suggeriscono lievi riduzioni, mentre le proiezioni a metà secolo sotto lo scenario SSP5-8.5 indicano aumenti sostanziali (ad esempio, un aumento del 253% nella portata di aprile). Tuttavia, la variabilità mensile è amplificata, con alcuni mesi che mostrano declini significativi. Il modello ibrido ha riprodotto con successo la variabilità storica e ha fornito proiezioni medie dell'ensemble robuste.

Significato e Rivendicazioni
L'articolo sostiene che il framework ibrido proposto combina con successo il realismo fisico dei modelli basati sui processi con il potere predittivo del machine learning per migliorare la previsione della portata in regioni con scarsità di dati e vulnerabili al clima. I contributi chiave includono:

1. Accuratezza Migliorata: L'approccio ibrido (specificamente lo stacking ensemble) ha superato significativamente il QSWAT+ standalone e i singoli modelli ML, raggiungendo alti valori di $NSE$e$R^2$ pur mantenendo la coerenza idrologica.
2. Approfondimenti per l'Adattamento Climatico: Lo studio fornisce proiezioni specifiche per il bacino dell'Upper Genale, evidenziando un futuro caratterizzato da un aumento dell'evapotraspirazione, potenziale scarsità idrica sotto scenari di emissioni moderate (SSP2-4.5) e rischi di inondazione accresciuti sotto scenari di alte emissioni (SSP5-8.5).
3. Supporto alle Decisioni: I risultati offrono una base per la pianificazione dell'irrigazione resiliente al clima, la conservazione delle acque sotterranee e lo sviluppo di infrastrutture per la gestione delle inondazioni. Gli autori sottolineano che l'integrazione di modelli ibridi idrologici-ML nelle operazioni di gestione dei serbatoi e nella pianificazione dell'allocazione dell'acqua è essenziale per una gestione sostenibile del bacino.

Lo studio conclude che, sebbene rimangano incertezze riguardanti le proiezioni delle precipitazioni e le strutture dei modelli, il framework ibrido fornisce uno strumento prezioso per valutare gli impatti del cambiamento climatico e ridurre l'incertezza delle previsioni nei bacini fluviali etiopi.