From forecast skill to planning value: multi-horizon data-driven hydrological forecasting for sustainable management of the Jucar River Basin District

Resumo Técnico: Da Habilidade de Previsão ao Valor de Planejamento

Definição do Problema
As bacias hidrográficas mediterrâneas reguladas enfrentam desafios crescentes devido a condições hidroclimáticas não estacionárias, incluindo secas recorrentes e eventos de precipitação de alta intensidade. O gerenciamento eficaz da água requer previsões mensais que sejam não apenas habilidosas, mas também transparentes quanto aos seus limites. A previsão hidrológica baseada em dados atual enfrenta três limitações primárias quando aplicada a bacias reguladas:

1. Escopo: A maioria dos estudos foca no vazão em medições próximas ao estado natural, negligenciando o armazenamento de reservatórios e os níveis de águas subterrâneas, que possuem estruturas de persistência distintas.
2. Atribuição: Os modelos frequentemente confundem a memória autorregressiva com o forçamento exógeno de clima e demanda, tornando difícil isolar o valor marginal de drivers externos sobre a simples persistência.
3. Interpretação Operacional: Projeções de cenários são frequentemente apresentadas sem vinculá-las a limites de confiabilidade dependentes do horizonte, levando a uma potencial interpretação errônea da dispersão do cenário como incerteza preditiva calibrada, em vez de sensibilidade às suposições de forçamento.

Metodologia
O estudo desenvolve uma estrutura de previsão de múltiplos horizontos baseada em dados para o Domínio da Bacia do Rio Júcar (leste da Espanha), visando três tipologias: níveis piezométricos de aquíferos, armazenamento de reservatórios e vazão de rios.

• Dados e Pré-processamento: A estrutura utiliza observações mensais de 1988 a 2023 (com dados de reservatórios terminando em 2016, exigindo uma ponte reconstruída para 2017–2023). As variáveis alvo são modeladas no espaço de incremento ($\Delta y_t = y_t - y_{t-1}$) para estabilizar o aprendizado entre magnitudes heterogêneas, com os níveis sendo reconstruídos recursivamente.
• Engenharia de Atributos (Feature Engineering): Duas famílias de preditores são avaliadas:
  • ENDO (Endógena): Codifica a memória do sistema via estados defasados ($y_{t-1}, y_{t-12}$) e termos sazonais (mês, sin/cos).
  • EXOG (Exógena): Aumenta o ENDO com preditores climáticos com viés ajustado (precipitação, $T_{max}, T_{min}$) e drivers de demanda setorial.
• Arquitetura do Modelo: Quatro modelos de regressão tabular (Bayesian Ridge, Regressão ARD, Gradient Boosting, XGBoost) foram avaliados. Não foram utilizadas redes neurais. A seleção do modelo foi separada do reporte de desempenho usando uma janela de validação interna.
• Protocolo de Validação: Um protocolo rigoroso de pseudo-futuro de origem rotativa consciente de vazamento (leakage-aware) foi empregado. Os dados de treinamento precedem estritamente os dados de avaliação para evitar estimativas de habilidade otimistas em séries autocorrelacionadas. As previsões são geradas recursivamente até 48 meses.
• Construção de Cenários: Três famílias de cenários (Base, Favorável, Desfavorável) foram construídas para 2024–2030 usando uma abordagem híbrida de delta-change e geração estocástica de tempo meteorológico baseada na lógica CMIP6/ScenarioMIP. Estes servem como caminhos de teste de estresse, não como previsões probabilísticas.
• Métricas: O desempenho é avaliado pelo Eficiência de Kling–Gupta (KGE) e sua decomposição em correlação ($r$), razão de variabilidade ($\alpha$) e razão de viés ($\beta$). A habilidade é comparada a um modelo de persistência ingênuo usando o score de habilidade baseado em RMSE ($SS_{RMSE}$). Um horizonte de confiabilidade ($h_{rel}$) é definido como o tempo de antecedência máximo onde o KGE mediano $\ge 0,6$.

Resultos Principais
O estudo revela que a habilidade de previsão é fortemente dependente da tipologia, governada pelos mecanismos físicos de cada componente do sistema:

1. Aquíferos: Exibem previsibilidade extremamente alta (KGE mediano > 0,97) em todos os horizontes devido à forte autocorrelação. No entanto, a configuração ENDO supera a EXOG em horizontes longos; adicionar dados climáticos/de demanda exógenos na verdade degrada o desempenho do RMSE em relação à persistência, provavelmente porque os sinais de águas subterrâneas evoluem de forma muito suave para que o ruído climático mensal adicione valor.
2. Reservatórios: Mostram um padrão de habilidade distinto onde os modelos superam substancialmente a persistência ingênua a partir de seis meses. No balde de longo alcance (24–36 meses), a estrutura alcança scores de habilidade significativos ($SS_{RMSE} \approx +0,46$ a $+0,50$). Embora o ENDO gere um KGE ligeiramente superior, o EXOG reduz os erros absolutos de forma mais eficaz, embora ambos confirmem que a estrutura agrega valor onde a persistência degrada.
3. Rios: A habilidade está confinada a um horizonte de confiabilidade de 12 meses. Além disso, o desempenho cai abaixo do benchmark de persistência.
   • Mecanismo de Degradação: A decomposição do KGE identifica a razão de viés ($\beta$) como o mecanismo dominante de degradação para rios em prazos mais longos. Isso é impulsionado pela acumulação recursiva de erros de incremento de vazão mensal positivamente assimétricos (distribuição com assimetria à direita), levando a uma superestimação sistemática.
   • Papel do EXOG: O forçamento exógeno mitiga parcialmente esse desvio de viés ao restringir a média de longo prazo da trajetória, embora não melhore significativamente a correlação temporal.

Achados de Cenários

• Divergência: A dispersão do cenário é mais forte para rios dentro do horizonte de confiabilidade, enquanto permanece atenuada para aquíferos e condicionada por armazenamento para reservatórios.
• Interpretação: Para componentes dominados por armazenamento (aquíferos/reservatórios), as diferenças de curto prazo nos cenários (2024–2030) são impulsionadas principalmente pelas suposições das trajetórias de demanda, em vez de sinais detectáveis de mudança climática, já que os deltas de temperatura realizados nesta janela são pequenos em relação à variabilidade interanual.
• Incerteza: A dispersão do cenário representa a sensibilidade às suposições de forçamento, não a incerteza preditiva calibrada.

Significância e Alegações
O artigo afirma avançar o campo ao mudar o foco da habilidade bruta de previsão para o valor de planejamento através de uma estrutura consciente da tipologia. Suas principais contribuições são:

1. Confiabilidade Específica por Tipologia: Estabelece horizontes de confiabilidade explícitos e fisicamente fundamentados (48 meses para aquíferos, 36 para reservatórios, 12 para rios), argumentando que os outputs do modelo devem ser usados de forma diferente dependendo do tempo de antecedência e do tipo de sistema.
2. Atribuição Mecanística: Ao decompor o KGE e comparar com a persistência, o estudo isola por que os modelos têm sucesso ou falham (ex: identificando o acúmulo de viés em rios versus a dominância de memória em aquíferos), indo além de métricas de desempenho de "caixa-preta".
3. Clareza Operacional: Esclarece que, em bacias reguladas, altos scores de KGE em sistemas dominados por armazenamento refletem a inércia em vez de poder preditivo, e que a dispersão do cenário não deve ser interpretada erroneamente como incerteza probabilística.
4. Transferibilidade: A estrutura é projetada para ser transferível para outras bacias reguladas ou semiáridas onde conjuntos de dados operacionais heterogêneos (resolução mensal) estejam disponíveis, ofereando uma alternativa escalável aos modelos baseados em processos para planejamento de curto prazo.

Os autores mantêm uma postura modesta, reconhecendo limitações como o uso de forçamento sintético para cenários, a falta de avaliação formal sob períodos hidroclimáticos contrastantes pré-definidos e a incerteza introduzida pela ponte de reconstrução de reservatórios. Eles enfatizam que a estrutura é uma ferramenta para testes de estresse e planejamento comparativo, em vez de um preditor determinístico de estados climáticos futuros.