Resumo Técnico: Aprendizado de Máquina e CMIP6 com Correção de Viés para Melhoria da Predição de Vazão na Bacia do Rio Kulfo, Etiópia, com Escassez de Dados

1. Declaração do Problema

As mudanças climáticas estão alterando cada vez mais os processos hidrológicos e a disponibilidade de água, impondo desafios críticos para regiões com escassez de dados, como as bacias do Vale do Rift na Etiópia. A bacia do Kulfo, no sul da Etiópia, que sustenta meios de subsistência agrícolas, o Parque Nacional Nech Sar e comunidades a jusante do Lago Abaya, carece de avaliações hidrológicas abrangentes que integrem projeções climáticas de última geração com técnicas de modelagem avançadas.

Os modelos hidrológicos tradicionais baseados em processos (ex: SWAT) frequentemente enfrentam dificuldades em contextos de países em desenvolvimento devido à exigência de parametrização extensiva e dados de calibração que são frequentemente indisponíveis. Além disso, os Modelos de Circulação Global (GCMs) do Projeto de Comparação de Modelos Acoplados Fase 6 (CMIP6) exibem vieses sistemáticos quando aplicados em escalas locais, necessitando de rigorosa correção de viés e redução de escala (downscaling) antes da aplicação hidrológica. Embora o aprendizado de máquina (ML) ofereça alternativas promissoras para capturar relações não lineares entre clima e vazão, estudos limitados avaliaram sistematicamente múltiplos algoritmos de ML para a projeção de vazão em bacias etíopes utilizando os cenários mais recentes do CMIP6.

2. Metodologia

Área de Estudo e Dados

O estudo foca na bacia do Kulfo (5,9°–6,2° N, 37,5°–37,8° E), um rio perene que drena das Terras Altas de Gughe para o Lago Abaya. A pesquisa utilizou:

• Dados Observados: Registros diários de precipitação e temperatura (1986–2014) da estação meteorológica de Arba Minch, e registros diários de vazão (1980–2022) da estação de monitoramento do Ministério da Água e Energia.
• Dados Climáticos: Dezesseis (16) modelos climáticos globais do CMIP6 foram selecionados com base na disponibilidade de variáveis e resolução espacial. As projeções foram geradas sob três Caminhos Socioeconômicos Compartilhados (SSP1-2.6, SSP2-4.5 e SSP5-8.5) para o período 2015–2100.

Correção de Viés

Para abordar os vieses sistemáticos nos outputs brutos do CMIP6, o estudo aplicou técnicas de correção de viés estatísticas e baseadas em aprendizado de máquina. Os modelos foram calibrados utilizando o período 1986–2006 e validados contra observações de 2007–2014. O desempenho foi avaliado usando Erro Quadrático Médio (RMSE), Viés Percentual (PBIAS), Coeficiente de Correlação (R) e Eficiência de Kling–Gupta (KGE).

Desenvolvimento de Modelos de Aprendizado de Máquina

A relação chuva-vazão foi conceituada como uma função de variáveis hidroclimáticas atuais e antecedentes ($P_t, P_{t-1}, P_{t-2}, T_{max,t}, T_{min,t}, Q_{t-1}$). Oito algoritmos de aprendizado de máquina foram desenvolvidos e comparados:

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

Os hiperparâmetros foram otimizados para cada modelo. O conjunto de dados foi particionado em um período de treinamento (1986–2006, 70%) e um período de teste/validação (2007–2014, 30%). O desempenho do modelo foi avaliado usando Eficiência de Nash–Sutcliffe (NSE), Coeficiente de Determinação ($R^2$), RMSE e Erro Médio Absoluto (MAE).

Estrutura de Projeção e Incerteza

O melhor modelo de ML foi utilizado para simular a vazão diária utilizando inputs do CMIP6 com correção de viés. O estudo incorporou duas estruturas analíticas avançadas:

1. Predição Conforme (CP): Integrada ao modelo Random Forest para quantificar a incerteza nas projeções de vazão futuras, gerando intervalos de predição (PI) de 95% para avaliar a confiabilidade e a dispersão das estimativas.
2. Análise de Frequência de Cheias Não Estacionária: Um modelo de Valor Extremo Generalizado (GEV) variante no tempo foi ajustado às séries de vazão máxima anual, onde o parâmetro de localização é expresso como uma função das anomalias de temperatura projetadas ($\mu(t) = \mu_0 + \mu_1 \cdot \Delta T(t)$). Esta abordagem permitiu que as probabilidades de cheia e períodos de retorno evoluíssem ao longo do tempo em vez de permanecerem constantes.

3. Principais Resultados

Desempenho dos Modelos CMIP6 e Correção de Viés

Os modelos CMIP6 brutos exibiram vieses sistemáticos substanciais, com valores de RMSE de precipitação de até 2,95 mm/dia e valores negativos de KGE para muitos modelos.

• Eficácia da Correção de Viés: A aplicação da correção de viés (especificamente Random Forest para precipitação) melhorou significativamente a confiabilidade do modelo. O RMSE da precipitação foi reduzido em média 83% (até 92% para modelos específicos como o MIROC6), com coeficientes de correlação pós-correção excedendo 0,97.
• Melhores Modelos:
  • Precipitação: CNRM-ESM2-1 e CNRM-CM6-1 mostraram a melhor concordância com as observações após a correção.
  • Temperatura Máxima: CNRM-CM6-1 emergiu como o melhor desempenho (RMSE = 0,24°C, KGE = 0,69).
  • Temperatura Mínima: CNRM-ESM2-1 demonstrou a maior precisão (RMSE = 0,09°C, KGE = 0,72).

Comparação de Modelos de Aprendizado de Máquina

Entre os oito algoritmos testados, o Random Forest (RF) demonstrou capacidade preditiva superior:

• Calibração: NSE = 0,999, $R^2$ = 0,9995.
• Validação: NSE = 0,806.
• Importância das Variáveis: A vazão antecedente ($Q_{t-1}$) foi identificada como o preditor dominante (42% de importância), refletindo contribuições significativas do lençol freático para a bacia.
• Outros métodos de ensemble (AdaBoost, Boosting) tiveram bom desempenho, enquanto LSTM, KNN e SVM mostraram capacidades preditivas mais fracas, provavelmente devido ao período de treinamento limitado e à escassez de dados.

Projeções Climáticas e de Vazão Futuras

• Temperatura: Todos os cenários SSP projetam aquecimento consistente. No final do século (2071–2100), as temperaturas máximas devem exceder 32°C e as temperaturas mínimas devem subir acima de 18,5°C sob cenários de altas emissões (SSP5-8.5).
• Precipitação: A precipitação deve permanecer relativamente estável com declínios modestos (até -5,1% sob o cenário SSP5-8.5 no final do século), embora a redistribuição sazonal seja significativa.
• Vazão Anual: As projeções futuras indicam um declínio progressivo na vazão anual em todos os cenários. Até o final do século, as reduções projetadas atingem:
  • -8,5% sob o cenário SSP1-2.6.
  • -13,9% sob o cenário SSP2-4.5.
  • -20,7% sob o cenário SSP5-8.5.
• Redistribuição Sazonal: Uma mudança significativa na sazonalidade hidrológica é observada, caracterizada por reduções substanciais na vazão de verão (até -33,3% sob o cenário SSP5-8.5) e aumentos moderados na vazão de inverno (inicialmente +21%, embora diminuindo ao longo do tempo).

Incerteza e Frequência de Cheias

• Predição Conforme: A incerteza nas projeções de vazão aumenta em direção ao final do século, particularmente sob o cenário SSP5-8.5, com intervalos de predição de 95% mais amplos, indicando maior variabilidade nas respostas hidrológicas.
• Cheias Não Estacionárias: Contrário ao declínio na vazão média, a análise GEV não estacionária revelou uma resposta complexa nas características de cheia. O nível de recorrência da cheia de 100 anos ($Q_{100}$) deve diminuir significamente (entre 35–41% até 2100) devido à redução do fluxo de base causada pela maior evapotranspiração. No entanto, o estudo nota um achado contraintuitivo onde as magnitudes de cheias extremas podem se intensificar devido a eventos de chuva mais intensos e de curta duração, encurtando o período de recorrência de cheia de 50 anos para 8 anos até 2080.

4. Significância e Contribuições

Este estudo fornece a primeira avaliação abrangente do desempenho dos modelos CMIP6 na bacia do Kulfo e demonstra a superioridade das abordagens de aprendizado de máquina de ensemble, especificamente o Random Forest, para a projeção de vazão em bacias da Etiópia com escassez de dados.

A pesquisa traz contribuições específicas:

1. Integração Metodológica: Integra com sucesso as projeções do CMIP6 com correção de viés com o aprendizado de máquina para abordar limitações de dados, oferecendo um framework robusto para estimativas futuras de vazão.
2. Quantificação de Incerteza: Ao empregar a predição conforme, o estudo quantifica a incerteza nas estimativas de vazão futuras, destacando a crescente variabilidade sob cenários de altas emissões.
3. Análise Não Estacionária: A aplicação de um modelo GEV variante no tempo desafia as suposições estacionárias, revelando que as mudanças climáticas podem alterar as características das cheias de formas complexas (reduzindo o fluxo médio enquanto potencialmente intensificando cheias repentinas).
4. Relevância para Políticas: Os achados enfatizam a vulnerabilidade da bacia do Kulfo às futuras mudanças hidroclimáticas. O estudo destaca a necessidade de integrar aprendizado de máquina, análise de incerteza e abordagens hidrológicas não estacionárias no planejamento de recursos hídricos resilientes ao clima para apoiar a gestão sustentável da bacia, o desenvolvimento da irrigação e a redução de riscos de inundação na Etiópia e em outras bacias tropicais semelhantes.

Os autores concluem que, embora o estudo ofereça insights valiosos, pesquisas futuras devem focar na expansão das redes de monitoramento hidrometeorológico, na integração de modelos baseados em processos com abordagens híbridas de deep learning e na incorporação de drivers socioeconômicos para aumentar ainda mais a robustez preditiva.