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

技术摘要：埃塞俄比亚上热纳莱河（Upper Genale River）流域气候变化背景下的水流预测——基于数据驱动与过程模型的混合建模研究

问题陈述
准确的水流预测对于可持续水资源管理、减少洪水风险以及灌溉规划至关重要，特别是在气候变率与基础设施有限且高度依赖雨养农业相互作用的撒哈拉以南非洲地区。位于埃塞俄比亚东南部的上热纳莱河流域（UGRB）对灌溉和水电开发具有战略意义，但对气候变率高度敏感。虽然像 SWAT+ 这样基于物理的模型能有效表征流域过程，但在非平稳气候条件下，它们往往难以处理高度非线性的水文相互作用和极端事件。相反，纯数据驱动的机器学习（ML）模型缺乏物理可解释性，并且在未来气候条件偏离历史训练数据时可能会失效。本研究旨在开发一种稳健的预测框架，通过克服这些各自的局限性，为气候韧性水资源管理提供支持。

研究方法
本研究开发了一个整合了过程模型 QSWAT+、先进机器学习算法以及 CMIP6 气候投影的混合水文预测框架。

• 研究区域与数据： 研究重点关注上热纳莱子河流域（面积约 9,127 km²）。数据集包括来自五个气象站（辅以 CHIRPS/CHIRTS 卫星数据）的逐日降水和温度数据（1985–2014 年）以及来自 Chenemsa 观测站的逐日径流观测数据（1988–2011 年）。地形、土地利用和土壤数据源自 SRTM、Copernicus 和 Harmonized World Soil Database。
• 气候投影： 使用综合排名指数（Comprehensive Ranking Index）评估了 22 个 CMIP6 全球气候模型（GCMs）相对于观测数据的表现。选择 CanESM5 用于温度模拟，并使用六模型集成用于降水模拟。通过偏差校正和统计降尺度技术，对近短期（2015–2044 年）和中期（2045–2074 年）时段下的 SSP2-4.5 和 SSP5-8.5 情景进行了分析。
• 水文建模： 使用 QSWAT+ 模拟流域过程，将流域划分为 13 个子流域和 731 个水文响应单元（HRUs）。模型通过 Sobol 方法进行全局敏感性分析，并在 1988–2002 年期间使用 CALSI 算法进行定标，并通过 2003–2011 年进行验证。
• 混合框架： 实施了四种机器学习算法——随机森林（RF）、XGBoost、LightGBM 和长短期记忆网络（LSTM）。这些模型使用气象观测数据、工程化时间特征以及 QSWAT+ 输出作为预测因子。应用堆叠集成框架（使用岭回归作为元学习器）和贝叶斯模型平均法（BMA）来整合 QSWAT+ 模拟与机器学习预测，旨在降低不确定性并提高稳健性。
• 分析： 使用 Mann–Kendall 检验和 Sen's 斜率估计器评估趋势。模型性能通过 $R^2$、纳什效率系数（NSE）、均方根误差（RMSE）和百分比偏差（PBIAS）进行评估。

关键结果

• QSWAT+ 性能： 独立的 QSWAT+ 模型实现了令人满意的定标（$NSE = 0.74$, $R^2 = 0.77$）和验证（$NSE = 0.71$, $R^2 = 0.85$）性能，表明其能够可靠地表征流域过程，尽管在验证期内表现出对峰值流量的轻微低估。
• 混合模型优越性： 机器学习的集成显著提升了预测精度。独立的机器学习模型（尤其是 XGBoost）优于 QSWAT+，其 $NSE$和$R^2$值接近 0.99。混合堆叠集成模型达到了最高的性能，其$NSE$和$R^2$ 为 0.98，有效地捕捉了物理模型未能捕捉到的残余非线性关系。混合方法还减少了系统偏差，PBIAS 值接近于零。
• 气候变化投影：
  • 温度： 在两种 SSP 情景下均预测到持续升温，其中最低温的升幅快于最高温。在 SSP5-8.5 情景下的中期阶段，升温最为显著。
  • 降水： 投影显示出相当大的变率。集成平均值表明，在 SSP2-4.5 情景下降水适度减少，而在 SSP5-8.5 情景下，特别是在中期，降水有所增加。
  • 水文响应： 在 SSP2-4.5 情景下，降水的减少导致了径流、水产出量和地下水补给量的下降。相反，在 SSP5-8.5 情景下，降水的增加驱动了中期的更高径流和水产出量，尽管上升的温度增加了所有情景下的蒸散发，从而限制了水资源获取量的比例增益。
• 径流趋势： 未来径流投影显示出截然不同的响应。近期模拟显示略有减少，而中世纪在 SSP5-8.5 下的投影显示大幅增加（例如，4 月份流量增加高达 253%）。然而，月度变率被放大，部分月份出现了显著下降。混合模型成功再现了历史变率，并提供了稳健的集成平均投影。

意义与主张
本文主张，所提出的混合框架成功地将基于过程模型的物理真实性与机器学习的预测能力相结合，提高了数据匮乏、气候脆弱地区的径流预测能力。其主要贡献包括：

1. 增强精度： 混合方法（特别是堆叠集成）显著优于独立的 QSWAT+ 和单个机器学习模型，在保持水文一致性的同时实现了高 $NSE$和$R^2$ 值。
2. 气候适应洞察： 研究为上热纳莱流域提供了具体的预测，强调了一个以蒸散发增加、在中度排放情景（SSP2-4.5）下可能出现水资源短缺以及在高排放情景（SSP5-8.5）下面临更高洪水风险为特征的未来。
3. 决策支持： 研究结果为气候韧性灌溉规划、地下水保护和防洪基础设施建设提供了基础。作者强调，将混合水文-机器学习模型整合到水库调度和水资源分配规划中，对于可持续流域管理至关重要。

研究结论认为，尽管在降水预测和模型结构方面仍存在不确定性，但该混合框架为评估气候变化影响和降低预测不确定性提供了一个有价值的工具。