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

技術要約：エチオピア上部ゲナーレ川流域における気候変動下での流出予測のための、ハイブリッド・データ駆動型およびプロセスベース・モデリング

問題提起
正確な河川流出予測は、特に気候変動が限られたインフラや天水農業への高い依存度と相互作用するサブサハラアフリカにおいて、持続可能な水管理、洪水リスク軽減、および灌漑計画のために極めて重要である。エチオピア南東部のゲナーレ川上流域（UGRB）は、灌漑と水力発電にとって戦略的に重要であるが、気候変動に対して非常に敏感である。SWAT+のような物理ベースのモデルは流域プロセスを効果的に表現できる一方で、高度に非線形な水文学的相互作用や、非定常な気候条件下での極端な事象の表現には苦慮することが多い。逆に、純粋なデータ駆動型の機械学習（ML）モデルは、物理的な解釈性に欠け、将来の気候条件が過去の学習データから大きく逸脱した場合に失敗する可能性がある。本研究は、これらの個別の限界を克服し、UGRBにおける気候レジリエントな水管理を支援するための、堅牢な予測フレームワークの必要性に対処するものである。

手法
本研究では、プロセスベースのQSWAT+モデルと高度な機械学習アルゴリズムおよびCMIP6気候投影を統合した、ハイブリッド水文学的予測フレームワークを開発した。

• 研究領域およびデータ： 研究はゲナーレ川上流域（面積：約9,127 km²）に焦点を当てた。データセットには、5つの気象観測所からの日降水量および気温データ（1985–2014年、CHIRPS/CHIRTS衛星データで補完）と、チェンムサ（Chenemsa）観測所からの日流量観測データ（1988–2011年）が含まれる。地形、土地利用、および土壌データは、SRTM、Copernicus、およびHarmonized World Soil Databaseから導出された。
• 気候投影： 22のCMIP6全球気候モデル（GCM）を、包括的ランキング指数を用いて観測データに対して評価した。気温についてはCanESM5が選定され、降水量については6モデルのアンサンブルが使用された。投影は、バイアス補正および統計的ダウンスケーリングを用い、近・中期（2015–2044年および2045–2074年）の期間について、SSP2-4.5およびSSP5-8.5シナリオの下で分析された。
• 水文学的モデリング： QSWAT+を使用して流域プロセスをシミュレーションし、流域を13のサブ流域と731の水文学的反応単位（HRU）に分割した。モデルは、1988–2002年の期間に対してグローバル感度解析（Sobol法）およびCALSIアルゴリズムを用いてキャリブレーションを行い、2003–2011年の期間を用いて検証を行った。
• ハイブリッド・フレームワーク： 4つの機械学習アルゴリズム（ランダムフォレスト（RF）、XGBoost、LightGBM、および長短期記憶（LSTM））を実装した。これらのモデルは、気象観測、エンジニアリングされた時間的特徴量、およびQSWAT+の出力を予測変数として使用した。QSWAT+のシミュレーションとML予測を統合して不確実性を低減し、堅牢性を向上させるために、スタッキング・アンサンブル・フレームワーク（メタ学習器としてリッジ回帰を使用）およびベイズモデル平均化（BMA）を適用した。
• 分析： トレンドはMann–Kendel検定およびSen's slope推定器を用いて評価された。モデルの性能は、$R^2$、$NSE$、RMSE、およびPBIASを用いて評価された。

主な結果

• QSWAT+の性能： スタンドアロンのQSWAT+モデルは、満足のいくキャリブレーション（$NSE = 0.74, R^2 = 0.77$）および検証（$NSE = 0.71, R^2 = 0.85$）の性能を達成し、流域プロセスの信頼できる表現を示したが、検証期間においてピーク流量をわずかに過小評価する傾向が見られた。
• ハイブリッドモデルの優位性： 機械学習の統合により、予測精度が大幅に向上した。スタンドアロンのMLモデル（特にXGBoost）はQSWAT+を上回り、$NSE$および$R^2$の値が0.99に近い値に達した。ハイブリッド・スタッキング・アンサンブル・モデルは、最も高い性能（$NSE$および$R^2$が0.98）を達成し、物理モデルが捉えきれなかった残差的な非線形関係を効果的に捉えた。このハイブリッド・アプローチは、PBIASがゼロに近い値となることで、系統的なバイアスも低減させた。
• 気候変動投影：
  • 気温： 両方のSSPシナリオの下で一貫した温暖化が投影されており、最低気温は最高気温よりも速く上昇している。中期的期間のSSP5-8.5において、最も顕著な温暖化が見られる。
  • 降水量： 投影結果にはかなりの変動がある。アンサンブル平均は、SSP2-4.5における緩やかな降水量減少と、SSP5-8.5における中期的（特に中期）な降水量増加を示している。
  • 水文学的応答： SSP2-4.5の下では、降水量の減少に伴い、流出量、水収量、および地下水涵養量の減少がもたらされる。逆に、SSP5-8.5の下では、増大した降水量が中期的には流出量と水収量の増加を駆動するが、上昇する気温がすべてのシナリオにおいて蒸発散量を増加させ、水利用可能性の比例的な利得を制限している。
• 流出トレンド： 将来の流出投影は対照的な反応を示している。近期的シミュレーションはわずかな減少を示唆しているが、中期のSSP5-8.5下の投影では、大幅な増加（例：4月の流量が最大253%増加）が示されている。しかし、月ごとの変動性は増大しており、一部の月では大幅な減少が見られる。ハイブリッドモデルは、歴史的な変動性を再現し、堅牢なアンサンブル平均投影を提供した。

意義および主張
本論文は、提案されたハイブリッド・フレームワークが、プロセスベース・モデルの物理的なリアリズムと機械学習の予測力を組み合わせることで、データが乏しく気候変動に脆弱な地域における流出予測を改善できると主張している。主な貢献は以下の通りである：

1. 精度の向上： ハイブリッド・アプローチ（特にスタッキング・アンサンブル）は、水文学的一貫性を維持しながら、スタンドアロンのQSWAT+および個々のMLモデルを大幅に上回り、高い$NSE$および$R^2$を達成した。
2. 気候適応の洞察： 本研究は、ゲナーレ川上流域に関する具体的な投影を提供し、蒸発散量の増加、中程度の排出シナリオ（SSP2-4.5）下での水不足の可能性、および高排出シナリオ（SSP5-8.5）下での洪水リスクの高まりを特徴とする未来を明らかにしている。
3. 意思決定支援： これらの知見は、気候レジリエントな灌漑計画、地下水保全、および洪水管理インフラの開発のための基礎を提供する。著者らは、持続可能な流域管理のために、ハイブリッド水文学的MLモデルを貯水池運用や水配分計画に統合することが不可欠であると強調している。

本研究は、降水投影やモデル構造に関する不確実性は残るものの、ハイブリッド・フレームワークが気候変動の影響を評価し、予測の不確実性を低減するための価値あるツールを提供すると結論付けている。