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

기술 요약: 에티오피아 상부 제날레 강 유역의 기후 변화에 따른 하이브리드 데이터 기반 및 프로세스 기반 모델링

문제 정의
정확한 유량 예측은 특히 기후 변동성이 인프라 부족 및 천수 농업에 대한 높은 의존도와 결합되는 사하라 이남 아프리카에서 지속 가능한 수자원 관리, 홍수 위험 감소, 관개 계획을 위해 매우 중요하다. 에티오피아 동남부의 상부 제날레 강 유역(UGRB)은 관개와 수력 발전에 전략적으로 중요하지만, 기후 변동성에 매우 민다. SWAT+와 같은 물리 기반 모델은 워터셰드 과정을 효과적으로 나타내지만, 비정상적(non-stationary) 기후 조건하에서의 고도로 비선형적인 수문학적 상호작용과 극한 현상을 표현하는 데 어려움을 겪는 경우가 많다. 반대로, 순수 데이터 기반 머신러닝(ML) 모델은 물리적 해석력이 부족하며, 미래의 기후 조건이 과거 학습 데이터와 크게 달라질 경우 실패할 가능성이 있다. 본 연구는 이러한 개별적 한계를 극려하고 기후 탄력적인 수자원 관리를 지원하기 위한 견고한 예측 프레임워크의 필요성을 다룬다.

연구 방법론
본 연구는 프로세스 기반 QSWAT+ 모델과 고급 머신러닝 알고리즘 및 CMIP6 기후 투영치를 통합한 하이브리드 수문 예측 프레임워크를 개발하였다.

• 연구 지역 및 데이터: 연구는 상부 제날레 서브-리버 유역(약 9,127 km²)에 집중하였다. 데이터셋에는 5개 기상 관측소로부터의 일일 강수량 및 기온 데이터(1985–2014)가 포함되었으며(CHIRPS/CHIRTS 위성 데이터로 보완), 첸셈사(Chenemsa) 관측소로부터의 일일 유량 관측치(1988–2011)가 포함되었다. 지형, 토지 피복 및 토양 데이터는 SRTM, Copernicus, Harmonized World Soil Database에서 추출되었다.
• 기후 투영: 22개의 CMIP6 전지구 기후 모델(GCM)을 종합 순위 지수(Comprehensive Ranking Index)를 사용하여 관측 데이터와 비교 평가하였다. 기온의 경우 CanESM5가 선택되었으며, 강수량의 경우 6개 모델 앙상블이 사용되었다. 투영치는 편향 수정(bias correction) 및 통계적 다운스케일링을 활용하여 단기(2015–2044) 및 중기(2045–2074) 기간(SSP2-4.5 및 SSP5-8.5 시나리오)에 대해 분석되었다.
• 수문 모델링: QSWAT+를 사용하여 워터셰드 과정을 시뮬레이션하였으며, 유역을 13개의 소유역과 731개의 수문 반응 단위(HRU)로 나누었다. 모델은 1988–2002년 기간에 대해 Sobol 방법을 이용한 전역 민감도 분석을 수행하고 CALSI 알고리즘을 사용하여 보정되었으며, 2003–2011년 기간에 대해 검증되었다.
• 하이브리드 프레임워크: 네 가지 ML 알고리즘인 Random Forest(RF), XGBoost, LightGBM, Long Short-Term Memory(LSTM)가 구현되었다. 이 모델들은 기상 관측치, 엔지니어링된 시계열 특징, 그리고 QSWAT+ 출력을 예측 변수로 사용하였다. QSWAT+ 시뮬레이션과 ML 예측을 통합하여 불확실성을 줄이고 견고성을 높이기 위해 스태킹 앙상블 프레임워크(메타 학습기로 Ridge Regression 사용)와 베이지안 모델 평균화(BMA)가 적용되었다.
• 분석: 추세는 Mann–Kendall 검정과 Sen's slope estimator를 사용하여 평가되었다. 모델 성능은 $R^2$, Nash–Sutcliffe 효율성(NSE), RMSE, 그리고 Percent Bias(PBIAS)를 사용하여 평가되었다.

주요 결과

• QSWAT+ 성능: 단독 QSWAT+ 모델은 만족스러운 보정($NSE = 0.74, R^2 = 0.77$) 및 검증($NSE = 0.71, R^2 = 0.85$) 성능을 달성하였으며, 이는 워터셰드 과정을 신뢰성 있게 나타내고 있음을 의미하나, 검증 기간 동안 피크 유량을 약간 과소평가하는 경향을 보였다.
• 하이브리드 모델의 우수성: ML의 통합은 예측 정확도를 크게 향 향상시켰다. 단독 ML 모델(특히 XGBoost)은 QSWAT+보다 뛰어난 성능을 보이며 $NSE$및$R^2$값을 0.99 근처까지 달성하였다. 하이브리드 스태킹 앙상블 모델은$NSE$와$R^2$가 0.98에 달하는 가장 높은 성능을 기록하며, 물리 모델이 놓친 잔여 비선형 관계를 효과적으로 포착하였다. 하이브리드 접근 방식은 또한 PBIAS 값을 0에 가깝게 만들어 체계적 편향을 줄였다.
• 기후 변화 투영:
  • 기온: 두 SSP 시나리오 모두에서 일관된 온난화가 투영되었으며, 최저 기온이 최고 기온보다 더 빠르게 상승하였다. 중기 기간의 SSP5-8.5 시나리오에서 가장 뚜로난 온난화가 나타났다.
  • 강수량: 투영치는 상당한 변동성을 보여준다. 앙상블 평균은 SSP2-4.5 하에서는 완만한 강수량 감소를, SSP5-8.5 하에서는 특히 중기 동안 강수량 증가를 나타낸다.
  • 수문학적 반응: SSP2-4.5 하에서는 강수량 감소가 유출량, 수자원 생산량 및 지하수 충전량의 감소로 이어졌다. 반대로, SSP5-8.5 하에서는 증가된 강수량이 중기 동안 더 높은 유출량과 수자원 생산량을 유도하였으나, 상승하는 기온이 모든 시나리오에서 증발산을 증가시켜 수자원 가용성의 비례적 이득을 제한하였다.
• 유량 추세: 미래 유량 투영은 대조적인 반응을 나타낸다. 단기 시뮬레이션은 약간의 감소를 시사하는 반면, SSP5-8.5 하의 중기 투영은 상당한 증가(예: 4월 유량의 최대 253% 증가)를 나타낸다. 그러나 월별 변동성이 증폭되어 일부 달에는 상당한 감소가 나타나기도 한다. 하이브리드 모델은 역사적 변동성을 성공적으로 재현하였으며 견고한 앙상블 평균 투영치를 제공하였다.

의의 및 주장
본 논문은 제안된 하이브리드 프레임워크가 물리적 실재성을 가진 프로세스 기반 모델과 머신러닝의 예측력을 성공적으로 결합하여, 데이터가 부족하고 기후 취약성이 높은 지역의 유량 예측을 개선한다고 주장한다. 주요 기여는 다음과 같다:

1. 정확도 향상: 하이브리드 접근 방식(특히 스태킹 앙상블)은 단독 QSWAT+ 및 개별 ML 모델보다 성능이 뛰어났으며, 수문학적 일관성을 유지하면서 높은 $NSE$및$R^2$ 값을 달성하였다.
2. 기후 적응 통찰: 본 연구는 상부 제날레 유역에 대한 구체적인 투영치를 제공하며, 증발산 증가, 중간 배출 시나리오(SSP2-4.5) 하에서의 잠재적 수자원 부족, 고배출 시나리오(SSP5-8.5) 하에서의 높아진 홍수 위험을 특징으로 하는 미래를 강조한다.
3. 의사결정 지원: 본 연구의 결과는 기후 탄력적인 관개 계획, 지하수 보존 및 홍수 관리 인프라 개발을 위한 기초를 제공한다. 저자들은 저수지 운영 및 물 배분 계획에 하이브리드 수문-ML 모델을 통합하는 것이 지속 가능한 유역 관리에 필수적임을 강조한다.

본 연구는 불확실성이 강수 투영 및 모델 구조와 관련하여 여전히 존재하지만, 하이브리드 프레임워크가 기후 변화 영향을 평가하고 예측 불확실성을 줄이는 데 가치 있는 도구를 제공한다고 결론짓는다.