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

Resumo Técnico: Modelagem Híbrida Baseada em Dados e em Processos para a Previsão de Vazão sob Mudanças Climáticas na Bacia Alta do Rio Genale, Etiópia

Definição do Problema
A previsão precisa da vazão é fundamental para a gestão sustentável da água, redução do risco de inundações e planejamento da irrigação, particularmente na África Subsaariana, onde a variabilidade climática interage com infraestrutura limitada e alta dependência da agricultura de sequeiro. A Bacia Alta do Rio Genale (UGRB), no sudeste da Etiópia, é estrategicamente vital para a irrigação e hidroeletricidade, mas permanece altamente sensível à variabilidade climática. Embora modelos baseados em processos físicos como o SWAT+ representem efetivamente os processos da bacia hidrográfica, eles frequentemente enfrentam dificuldades com interações hidrológicas altamente não lineares e eventos extremos sob condições climáticas não estacionárias. Por outro lado, modelos de aprendizado de máquina (ML) puramente baseados em dados carecem de interpretabilidade física e podem falhar quando as condições climáticas futuras divergirem significativamente dos dados históricos de treinamento. Este estudo aborda a necessidade de uma estrutura de previsão robusta que supere essas limitações individuais para apoiar a gestão hídrica resiliente ao clima na UGRB.

Metodologia
O estudo desenvolveu uma estrutura híbrida de previsão hidrológica integrando o modelo baseado em processos QSWAT+ com algoritmos avançados de aprendizado de máquina e projeções climáticas do CMIP6.

• Área de Estudo e Dados: A pesquisa concentrou-se na Sub-Bacia Alta do Rio Genale (aprox. 9.127 km²). O conjunto de dados incluiu dados diários de precipitação e temperatura (1985–2014) de cinco estações meteorológicas (suplementados por dados de satélite CHIRPS/CHIRTS) e observações diárias de vazão (1988–2011) da estação de monitoramento de Chenemsa. Dados topográficos, de uso do solo e de solo foram derivados de SRTM, Copernicus e da Harmonized World Soil Database.
• Projeções Climáticas: Vinte e dois Modelos de Circulação Global (GCMs) do CMIP6 foram avaliados contra dados observacionais usando um Índice de Classificação Abrangente. O CanESM5 foi selecionado para temperatura, e um conjunto de seis modelos foi utilizado para precipitação. As projeções foram analisadas sob os cenários SSP2-4.5 e SSP5-8.5 para os períodos de curto prazo (2015–2044) e médio prazo (2045–2074), utilizando correção de viés e redução estatística (downscaling).
• Modelagem Hidrológica: O QSWAT+ foi utilizado para simular processos da bacia, dividindo a bacia em 13 sub-bacias e 731 Unidades de Resposta Hidrológica (HRUs). O modelo passou por análise de sensibilidade global (método Sobol) e calibração usando o algoritmo CALSI para o período 1988–2002, com validação de 2003–2011.
• Estrutura Híbrida: Quatro algoritmos de ML — Random Forest (RF), XGBoost, LightGBM e Long Short-Term Memory (LSTM) — foram implementados. Esses modelos utilizaram observações meteorológicas, características temporais de engenharia e saídas do QSWAT+ como preditores. Uma estrutura de conjunto de empilhamento (utilizando Ridge Regression como meta-aprendiz) e a Média de Modelos Bayesianos (BMA) foram aplicadas para integrar as simulações do QSWAT+ com as previsões de ML, visando reduzir a incerteza e melhorar a robustez.
• Análise: As tendências foram avaliadas usando o teste de Mann–Kendall e o estimador de declividade de Sen. O desempenho do modelo foi avaliado usando $R^2$, Eficiência de Nash–Sutcliffe (NSE), RMSE e Viés Percentual (PBIAS).

Principais Resultados

• Desempenho do QSWAT+: O modelo QSWAT+ isolado alcançou um desempenho de calibração satisfatório ($NSE = 0,74$, $R^2 = 0,77$) e validação ($NSE = 0,71$, $R^2 = 0,85$), indicando uma representação confiável dos processos da bacia, embora tenha mostrado uma leve subestimação dos picos de vazão no período de validação.
• Superioridade do Modelo Híbrido: A integração de ML aumentou significamente a precisão preditiva. Os modelos de ML isolados (particularmente o XGBoost) superaram o QSWAT+, alcançando valores de $NSE$e$R^2$ próximos a 0,99. O modelo de conjunto de empilhamento híbrido alcançou o maior desempenho, com $NSE$e$R^2$ de 0,98, capturando efetivamente as relações não lineares residuais que o modelo físico não detectou. A abordagem híbrida também reduziu o viés sistemático, com valores de PBIAS próximos a zero.
• Projeções de Mudanças Climáticas:
  • Temperatura: O aquecimento consistente é projetado sob ambos os cenários SSP, com as temperaturas mínimas aumentando mais rapidamente que as máximas. O período de médio prazo sob o cenário SSP5-8.5 apresenta o aquecimento mais pronunciado.
  • Precipitação: As projeções mostram considerável variabilidade. A média do conjunto indica reduções moderadas de chuva sob o SSP2-4.5 e aumentos sob o SSP5-8.5, particularmente no médio prazo.
  • Resposta Hidrológica: Sob o cenário SSP2-4.5, as reduções na precipitação levaram a diminuições no escoamento superficial, rendimento hídrico e recarga de águas subterrâneas. Inversamente, sob o SSP5-8.5, o aumento da precipitação impulsionou maiores escoamentos e rendimentos hídricos no médio prazo, embora o aumento das temperaturas tenha aumentado a evapotranspiração em todos os cenários, limitando os ganhos proporcionais na disponibilidade de água.
• Tendências de Vazão: As projeções de vazão futura indicam respostas contrastantes. Simulações de curto prazo sugerem reduções leves, enquanto projeções de meados do século sob o SSP5-8.5 indicam aumentos substanciais (por exemplo, aumento de até 253% na vazão de abril). No entanto, a variabilidade mensal é amplificada, com alguns meses apresentando declínios significativos. O modelo híbrido reproduziu com sucesso a variabilidade histórica e forneceu projeções de média de conjunto robustas.

Significância e Alegações
O artigo afirma que a estrutura híbrida proposta combina com sucesso o realismo físico dos modelos baseados em processos com o poder preditivo do aprendizado de máquina para melhorar a previsão de vazão em regiões com escassez de dados e vulneráveis ao clima. As principais contribuições incluem:

1. Precisão Aprimorada: A abordagem híbrida (especificamente o conjunto de empilhamento) superou significativamente o QSWAT+ isolado e os modelos de ML individuais, alcançando altos valores de $NSE$e$R^2$ enquanto mantinha a consistência hidrológica.
2. Insights de Adaptação Climática: O estudo fornece projeções específicas para a Bacia Alta do Genale, destacando um futuro caracterizado pelo aumento da evapotranspiração, potencial escassez de água sob cenários de emissão moderada (SSP2-4.5) e riscos elevados de inundação sob cenários de alta emissão (SSP5-8.5).
3. Suporte à Decisão: Os achados oferecem uma base para o planejamento resiliente da irrigação, conservação de águas subterrâneas e desenvolvimento de infraestrutura de gestão de inundações. Os autores enfatizam que a integração de modelos hidrológicos-ML híbridos nas operações de reservatórios e no planejamento de alocação de água é essencial para a gestão sustentável da bacia.

O estudo conclui que, embora as incertezas persistam em relação às projeções de precipitação e estruturas de modelos, a estrutura híbrida fornece uma ferramenta valiosa para avaliar os impactos das mudanças climáticas e reduzir a incerteza das previsões em bacias fluviais etíopes.