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

Technische Samenvatting: Hybride datagedreven en procesgebaseerde modellering voor stroomafvoerprognoses onder klimaatverandering in het bovenstroomse Genale-rivierbekken van Ethiopië

Probleemstelling
Nauwkeurige prognoses van de stroomafvoer zijn cruciaal voor duurzaam waterbeheer, het verminderen van overstromingsrisico's en irrigatieplanning, met name in Sub-Sahara Afrika waar klimaatvariabiliteit interacteert met beperkte infrastructuur en een hoge afhankelijkheid van regenafhankelijke landbouw. Het bovenstroomse Genale-rivierbekken (UGRB) in Zuidoost-Ethiopië is strategisch belangrijk voor irrigatie en waterkrachtopwekking, maar blijft zeer gevoelig voor klimaatvariabiliteit. Hoewel fysisch gebaseerde modellen zoals SWAT+ de watershed-processen effectief representeren, hebben ze vaak moeite met sterk niet-lineaire hydrologische interacties en extreme gebeurtenissen onder niet-stationaire klimatologische omstandigheden. Daartegenover staan puur datagedreven machine learning (ML)-modellen die een gebrek hebben aan fysische interpreteerbaarheid en kunnen falen wanneer toekomstige klimatologische omstandigheden significant afwijken van de historische trainingsdata. Deze studie adresseert de noodzaak voor een robuust prognosekader dat deze individuele beperkingen overwint om klimaatbestendig waterbeheer in het UGRB te ondersteunen.

Methodologie
De studie ontwikkelde een hybride hydrologisch prognosekader door de procesgebaseerde QSWAT+-modellen te integreren met geavanceerde machine learning-algoritmen en CMIP6-klimaatprojecties.

• Studiegebied en Data: Het onderzoek richtte zich op het bovenstroomse Genale-subrivierbekken (ongeveer 9.127 km²). De dataset omvatte dagelijkse neerslag- en temperatuurgegevens (1985–2014) van vijf meteorologische stations (aanvuldend met CHIRPS/CHIRTS satellietdata) en dagelijkse stroomafvoerobservaties (1988–2011) van de Chenemsa-meetpost. Topografische, landgebruik- en bodemgegevens werden afgeleid van SRTM, Copernicus en de Harmonized World Soil Database.
• Klimaatprojecties: Tweeentwintig CMIP6 Global Climate Models (GCMs) werden geëvalueerd tegen observationele data met behulp van een Comprehensive Ranking Index. CanESM5 werd geselecteerd voor temperatuur, en een ensemble van zes modellen werd gebruikt voor neerslag. Projecties werden geanalyseerd onder SSP2-4.5 en SSP5-8.5 scenario's voor de nabije termijn (2015–2044) en de middellange termijn (2045–2074), gebruikmakend van bias-correctie en statistische downscaling.
• Hydrologische Modellering: QSWAT+ werd gebruikt om watershed-processen te simuleren, waarbij het bekken werd verdeeld in 13 sub-bassins en 731 Hydrologic Response Units (HRUs). Het model onderging een globale sensitiviteitsanalyse (Sobol-methode) en kalibratie met behulp van het CALSI-algoritme voor de periode 1988–2002, met validatie van 2003–2011.
• Hybride Kader: Vier ML-algoritmen—Random Forest (RF), XGBoost, LightGBM en Long Short-Term Memory (LSTM)—werden geïmplementeerd. Deze modellen gebruikten meteorologische observaties, technisch gegenereerde temporele kenmerken en QSWAT+-outputs als voorspellers. Een stacking ensemble-framework (met behulp van Ridge Regressie als meta-learner) en Bayesian Model Averaging (BMA) werden toegepast om QSWAT+-simulaties met ML-voorspellingen te integreren, met als doel de onzekerheid te verminderen en de robuustheid te verbeteren.
• Analyse: Trends werden beoordeeld met de Mann–Kendall test en de Sen's slope estimator. Modelprestaties werden geëvalueerd met $R^2$, Nash–Sutcliffe Efficiency (NSE), RMSE en Percent Bias (PBIAS).

Belangrijkste Resultaten

• QSWAT+ Prestaties: Het standalone QSWAT+-model bereikte een bevredigende kalibratie ($NSE = 0,74$, $R^2 = 0,77$) en validatieprestatie ($NSE = 0,71$, $R^2 = 0,85$), wat wijst op een betrouwbare representatie van de watershed-processen, hoewel het een lichte onderschatting van piekafvoeren vertoonde in de validatieperiode.
• Superioriteit van het Hybride Model: De integratie van ML verbeterde de voorspellende nauwkeurigheid aanzienlijk. De standalone ML-modellen (met name XGBoost) presteerden beter dan QSWAT+, met $NSE$- en $R^2$-waarden nabij 0,99. Het hybride stacking ensemble-model behaalde de hoogste prestaties met een $NSE$ en $R^2$ van 0,98, waarbij de resterende niet-lineaire relaties die het fysische model miste, effectief werden gevangen. De hybride aanpak verminderde ook de systematische bias, met PBIAS-waarden nabij nul.
• Klimaatveranderingsprojecties:
  • Temperatuur: Er wordt consistente opwarming geprojecteerd onder beide SSP-scenario's, waarbij minimumtemperaturen sneller stijgen dan maximumtemperaturen. De middellange termijn onder SSP5-8.5 vertoont de meest uitgesproken opwarming.
  • Neerslag: Projecties tonen aanzienlijke variabiliteit. Het ensemblegemiddelde geeft matige afnames in neerslag aan onder SSP2-4.5 en toenames onder SSP5-8.5, met name in de middellange termijn.
  • Hydrologische Respons: Onder SSP2-4.5 leidden reducties in neerslag tot afnames in afvoer, wateropbrengst en grondwateraanvulling. Omgekeerd dreven verhoogde neerslag onder SSP5-8.5 tot hogere afvoer en wateropbrengst in de middellange termijn, hoewel stijgende temperaturen de evapotranspiratie in alle scenario's verhoogden, wat de proportionele winst in waterbeschikbaarheid beperkte.
• Stroomafvoertrends: Toekomstige stroomafvoerprojecties wijzen op contrasterende reacties. Nabije termijn-simulaties suggereren lichte reducties, terwijl middellange termijn-projecties onder SSP5-8.5 substantiële toenames aangeven (bijv. een toename van 253% in de april-afvoer). Echter, de maandelijkse variabiliteit wordt versterkt, waarbij sommige maanden significante dalingen laten zien. Het hybride model reproduceerde de historische variabiliteit succesvol en leverde robuuste ensemble-gemiddelde projecties.

Betekenis en Claims
Het artikel claimt dat het voorgestelde hybride kader succesvol de fysische realiteit van procesgebaseerde modellen combineert met het voorspellende vermogen van machine learning om de stroomafvoerprognoses in datarme, klimaatgevoelige regio's te verbeteren. De belangrijkste bijdragen zijn:

1. Verbeterde Nauwkeurigheid: De hybride aanpak (met name de stacking ensemble) presteerde aanzienlijk beter dan de standalone QSWAT+ en individuele ML-modellen, waarbij hoge $NSE$- en $R^2$-waarden werden bereikt terwijl de hydrologische consistentie behouden bleef.
2. Inzichten in Klimaatadaptatie: De studie biedt specifieke projecties voor het bovenstroomse Genale-bekken, die wijzen op een toekomst die gekenmerkt wordt door verhoogde evapotranspiratie, potentiële waterschaarste onder matige emissiescenario's (SSP2-4.5) en verhoogde overstromingsrisico's onder scenario's met hoge emissies (SSP5-8.5).
3. Besluitvormingsondersteuning: De bevindingen bieden een basis voor klimaatbestendige irrigatieplanning, grondwaterconservering en de ontwikkeling van infrastructuur voor het beheer van overstromingsrisico's. De auteurs benadrukken dat de integratie van hybride hydrologische-ML-modellen in de exploitatie van reservoirs en de planning van waterallocatie essentieel is voor duurzaam bekkenbeheer.

De studie concludeert dat hoewel onzekerheden blijven bestaan met betrekking tot neerslagprojecties en modelstructuren, het hybride kader een waardevol instrument is voor het beoordelen van de impact van klimaatverandering en het verminderen van de onzekerheid in voorspellingen in Ethiopische rivierbekkens.